[发明专利]基于空间矩的水平集图像分割方法

权利要求书

1.一种基于空间矩的水平集图像分割方法，其特征在于，包括如下步骤：

首先，在原始图像上进行空间矩的提取，获得图像的局部信息；

然后，利用获得的图像的局部信息，为原始图像的每个像素建立能量模型；

最后，利用图像的全局信息，在每个像素的能量模型的基础上，对所有像素建立总的能量模型，利用水平集方法最小化能量模型，进行图像的分割；

所述的在原始图像上进行空间矩提取，获得图像的局部信息，具体为：对原始图像建立以图像像素(x，y)为中心，半径为1的二维边缘模型，边缘将整个圆区域分为两部分，其中一个区域的灰度值为h，另一个区域的灰度值为h+k，k表示边缘两边灰度的差异，l为中心(x，y)到边缘的垂直距离，利用空间矩模板与图像灰度相乘，提取图像二阶及二阶以下的矩：M′₀₀，M′₁₀，M′₂₀，M′₀₁，M′₀₂，M′₁₁，其中，M′₀₀表示图像的零阶矩，M′₁₀和M′₀₁表示图像的一阶矩，M′₂₀，M′₀₂和M′₁₁则表示图像的二阶矩；

根据M′₀₀，M′₁₀，M′₂₀的值，得到图像局部信息——每一像素的h，k，l：

l=4M20′-M00′3M10′]]>

k=3M10′2(1-l2)3]]>

h=12π[2M00′-k(π-2sin-1l-2l1-l2)];]]>

所述的利用获得的图像的局部信息，为原始图像的每个像素建立能量模型，具体为：利用得到的h和k，令：h₁＝h，h₂＝h+k，为原始图像的每个像素建立能量模型：

ε_x(φ)

＝λ₁∫k_σ(x-y)|I(y)-h₁(x)|²H_ε(φ(y))dy

+λ₂∫k_σ(x-y)|I(y)-h₂(x)|²(1-H_ε(φ(y)))dy

其中：是高斯函数，σ用来控制局部区域的大小，是平滑函数，λ₁和λ₂是调整参数，均为正常数，φ为水平集函数，即进化的曲线，h₁代表边缘一边的区域的灰度值h，h₂代表边缘另一边区域的灰度值h+k，k表示边缘两边区域的灰度的差异，l为中心点(x，y)到边缘的垂直距离，只有当曲线位于目标边缘处时，能量最小；

所述的利用图像的全局信息，在每个像素的能量模型的基础上，对所有像素的建立总的能量模型，具体为：对原始图像所有点的ε_x进行积分，整个图像的能量模型为：

ϵ(φ)=∫Ωϵx(φ)dx+∫|▿Hϵ(φ(x))|dx+μP(φ)]]>

其中，φ为水平集函数，为补偿函数，用来弥补水平集函数与符号距离函数之间的偏差；

所述的利用水平集方法最小化能量模型，进行图像分割，具体为：将曲线表示成水平集的形式，利用水平集的曲线演化方法进行演化分割，演化过程为：

∂φ∂t=-δϵ(φ)(λ1e1-λ2e2)+vδϵ(φ)div(▿φ|▿φ|)+μ(▿2φ-div(▿φ|▿φ|))]]>

其中，e₁(x)＝∫K_σ(y-x)|I(x)-h₁(x)|²dy

e₂(x)＝∫K_σ(y-x)|I(x)-h₂(x)|²dy

其中，φ为水平集函数，即进化的曲线，λ₁和λ₂是调整参数，均为正常数，δ_ε(x)为平滑函数H_ε(x)的导数，K_σ为高斯函数，h₁和h₂为边缘两边的灰度。